基于车联网的位置隐私保护算法研究
发布时间：2020-12-24 14:00
位置服务使人们的生活越来越便利,但是人们在享受位置服务的同时,位置隐私的泄露也越来越严重。所以位置隐私的保护也变得越来越重要。车辆的出现节省了人们的出行时间,车辆数目急剧增加,再加上物联网的广泛运用,使得车联网也不断发展。但是车联网同样也面临着位置隐私的泄露,所以,基于车联网的位置隐私保护变得越来越重要。为了有效平衡位置信息是否精确而带来隐私保护安全与查询服务质量之间的矛盾,以及有效保护用户的位置隐私,提高服务器查询质量,同时使得车联网位置信息的准确度得以提高,借助位置k-匿名原理,在基于边界的多边形的匿名区域基础上,构造一种弧段构成的弧边多边形匿名泛化区域,利用该泛化区域来请求位置数据。实验结果表明该泛化区域有效的减小了隐匿区域面积,减小了相对匿名度,在满足车联网用户位置隐私安全的基础上,提高了服务质量。为了减少与实际道路情况的偏差,更好的符合车联网路网的实际情况。使得位置隐私保护强度和服务质量之间的矛盾得以平衡,使得算法更加安全,提出一种基于Voronoi图的位置隐私保护算法,对路网进行Voronoi划分。选择满足K-匿名和l-多样性的道路,对每条道路的权值进行排序,将需要匿名的车...
【文章来源】：兰州理工大学甘肃省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
周长和面积之间的关系
硕士学位论文41图5.11不同划分隐匿区域面积对比算法的时间消耗可以从以下几个方面考虑：匿名等待时间Tw，匿名处理时间Td传输时延Tt和查询时间Tq算法消耗时间可以表示为：=+++(5.3)通常忽略匿名等待时间和传输时间。只考虑匿名处理时间和查询时间。而在考虑算法性能的时候，只考虑匿名处理时间Td。一般用平均匿名时间来衡量算法的性能。如公式5.4=∑∑(5.4)Us为匿名成功的某个用户，Td为此用户匿名所用的时间。从时间消耗来说，弧边区域比多边形区域消耗较多的时间，因为弧多边形增加了去除面积的过程，所以实验结果和分析基本吻合。随着K增加，时间消耗都是不断变大，这是因为不管是多边形还是弧边多边形，都是从锚点开始构造匿名区域，精确加入点，所以加入点越多，时间消耗越大。平均匿名时间包括了构成匿名区域的总时延。算法的总时延大致等于形成匿名区域的时延。因为构成匿名区域的方法比较灵活，不会逐个扫描网格，也不存在调整节点的时间，所以减少了时延。算法复杂度为：O(kn),所以匿名时间在可接受范围内。由于弧多边形匿名过程的划分过程有弧形分割过程，所以时间消耗略微多一点，但是匿名区域的面积被有效减少，在此方法中，我们希望面积越小，并且时间消耗越少，系统性能就越好，但是时间和面积同时都变小是很困难的。所以用一个综合评价指标EI来衡量同时考虑时间和面积的效果。=Ｓ(5.5)即=∑∑(5.6)其中，S为匿名面积。EI越小，系统性能越好。图5.12为EI的对比图，可
基于车联网的位置隐私保护算法42以看出弧边匿名区域具有较好的系统性能。图5.12系统性能的综合评价对比图相对匿名度比较=(5.7)Kact表示实际完成匿名的车辆数，K表示满足K匿名要求的车辆数。由于几何图形的固有属性，实际匿名过程中往往很难精确满足k-匿名。所以参与匿名的用户数往往比K要大。但是多边形和弧多边形的匿名比较灵活，其相对匿名度较校控制更加准确。从图5.13结果可以看到，多边形和弧边的相对匿名度基本一致，都接近1。因为这两种匿名区域是基于边界的。而圆形和多边形的相对匿名度较大，因为圆形包含了共享区域，也就是4个圆填充平面形成的曲边菱形区域。而矩形区域里面也包含了未参与匿名的用户。网格翻倍同样也会产生一些冗余的网格所以弧边在面积上控制比较精准。图5.13相对匿名度比较对于基于维诺图的隐私保护算法方面，结果分析如下：隐私泄露风险，如公式5.8所示。=10(5.8)
【参考文献】：
期刊论文
[1]分布式结构下基于用户协作的匿名区域构建算法[J]. 吴丹丹,吕鑫. 计算机科学. 2019(04)
[2]差分隐私综述[J]. 李效光,李晖,李凤华,朱辉. 信息安全学报. 2018(05)
[3]位置服务隐私保护[J]. 康海燕,朱万祥. 山东大学学报(理学版). 2018(11)
[4]基于位置服务中时空关联的隐私保护方案[J]. 李维皓,丁晟,孟佳洁,李晖. 通信学报. 2018(05)
[5]基于空间四分的Hilbert位置k-匿名算法设计与实现[J]. 林英,谢勇,朱艳萍,康雁. 武汉大学学报(理学版). 2018(03)
[6]差分隐私GAN梯度裁剪阈值的自适应选取方法[J]. 郭鹏,钟尚平,陈开志,程航. 网络与信息安全学报. 2018(05)
[7]基于维诺图的位置隐私最近邻查询方法[J]. 周艺华,杜建航,杨宇光,侍伟敏. 北京工业大学学报. 2018(02)
[8]路网环境下兴趣点查询的隐私保护方法[J]. 梁慧超,王斌,崔宁宁,杨凯,杨晓春. 软件学报. 2018(03)
[9]基于路径上报的车联网轨迹隐私保护[J]. 吴宣够,王朋飞,郑啸,樊旭,王小林. 计算机研究与发展. 2017(11)
[10]结合锚点优选算法改进的SpaceTwist隐私保护方法[J]. 刘振鹏,赵璇,董亚伟,张彬. 通信学报. 2017(S1)
硕士论文
[1]针对用户轨迹数据的差分隐私保护机制研究[D]. 朱马克（Make Zhu）.南京大学 2018
[2]基于质心加噪机制的多位置差分隐私保护研究[D]. 周裕.南昌大学 2016
[3]车联网轨迹数据隐私保护问题研究[D]. 高泽民.河南工业大学 2016
[4]移动社交网中基于网格的私密近邻检测算法研究[D]. 林萍.北京交通大学 2016
本文编号：2935776
【文章来源】：兰州理工大学甘肃省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
周长和面积之间的关系
硕士学位论文41图5.11不同划分隐匿区域面积对比算法的时间消耗可以从以下几个方面考虑：匿名等待时间Tw，匿名处理时间Td传输时延Tt和查询时间Tq算法消耗时间可以表示为：=+++(5.3)通常忽略匿名等待时间和传输时间。只考虑匿名处理时间和查询时间。而在考虑算法性能的时候，只考虑匿名处理时间Td。一般用平均匿名时间来衡量算法的性能。如公式5.4=∑∑(5.4)Us为匿名成功的某个用户，Td为此用户匿名所用的时间。从时间消耗来说，弧边区域比多边形区域消耗较多的时间，因为弧多边形增加了去除面积的过程，所以实验结果和分析基本吻合。随着K增加，时间消耗都是不断变大，这是因为不管是多边形还是弧边多边形，都是从锚点开始构造匿名区域，精确加入点，所以加入点越多，时间消耗越大。平均匿名时间包括了构成匿名区域的总时延。算法的总时延大致等于形成匿名区域的时延。因为构成匿名区域的方法比较灵活，不会逐个扫描网格，也不存在调整节点的时间，所以减少了时延。算法复杂度为：O(kn),所以匿名时间在可接受范围内。由于弧多边形匿名过程的划分过程有弧形分割过程，所以时间消耗略微多一点，但是匿名区域的面积被有效减少，在此方法中，我们希望面积越小，并且时间消耗越少，系统性能就越好，但是时间和面积同时都变小是很困难的。所以用一个综合评价指标EI来衡量同时考虑时间和面积的效果。=Ｓ(5.5)即=∑∑(5.6)其中，S为匿名面积。EI越小，系统性能越好。图5.12为EI的对比图，可
基于车联网的位置隐私保护算法42以看出弧边匿名区域具有较好的系统性能。图5.12系统性能的综合评价对比图相对匿名度比较=(5.7)Kact表示实际完成匿名的车辆数，K表示满足K匿名要求的车辆数。由于几何图形的固有属性，实际匿名过程中往往很难精确满足k-匿名。所以参与匿名的用户数往往比K要大。但是多边形和弧多边形的匿名比较灵活，其相对匿名度较校控制更加准确。从图5.13结果可以看到，多边形和弧边的相对匿名度基本一致，都接近1。因为这两种匿名区域是基于边界的。而圆形和多边形的相对匿名度较大，因为圆形包含了共享区域，也就是4个圆填充平面形成的曲边菱形区域。而矩形区域里面也包含了未参与匿名的用户。网格翻倍同样也会产生一些冗余的网格所以弧边在面积上控制比较精准。图5.13相对匿名度比较对于基于维诺图的隐私保护算法方面，结果分析如下：隐私泄露风险，如公式5.8所示。=10(5.8)
【参考文献】：
期刊论文
[1]分布式结构下基于用户协作的匿名区域构建算法[J]. 吴丹丹,吕鑫. 计算机科学. 2019(04)
[2]差分隐私综述[J]. 李效光,李晖,李凤华,朱辉. 信息安全学报. 2018(05)
[3]位置服务隐私保护[J]. 康海燕,朱万祥. 山东大学学报(理学版). 2018(11)
[4]基于位置服务中时空关联的隐私保护方案[J]. 李维皓,丁晟,孟佳洁,李晖. 通信学报. 2018(05)
[5]基于空间四分的Hilbert位置k-匿名算法设计与实现[J]. 林英,谢勇,朱艳萍,康雁. 武汉大学学报(理学版). 2018(03)
[6]差分隐私GAN梯度裁剪阈值的自适应选取方法[J]. 郭鹏,钟尚平,陈开志,程航. 网络与信息安全学报. 2018(05)
[7]基于维诺图的位置隐私最近邻查询方法[J]. 周艺华,杜建航,杨宇光,侍伟敏. 北京工业大学学报. 2018(02)
[8]路网环境下兴趣点查询的隐私保护方法[J]. 梁慧超,王斌,崔宁宁,杨凯,杨晓春. 软件学报. 2018(03)
[9]基于路径上报的车联网轨迹隐私保护[J]. 吴宣够,王朋飞,郑啸,樊旭,王小林. 计算机研究与发展. 2017(11)
[10]结合锚点优选算法改进的SpaceTwist隐私保护方法[J]. 刘振鹏,赵璇,董亚伟,张彬. 通信学报. 2017(S1)
硕士论文
[1]针对用户轨迹数据的差分隐私保护机制研究[D]. 朱马克（Make Zhu）.南京大学 2018
[2]基于质心加噪机制的多位置差分隐私保护研究[D]. 周裕.南昌大学 2016
[3]车联网轨迹数据隐私保护问题研究[D]. 高泽民.河南工业大学 2016
[4]移动社交网中基于网格的私密近邻检测算法研究[D]. 林萍.北京交通大学 2016
本文编号：2935776
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2935776.html
